对流媒体传输关键指标作简单预测

Posted 2021-11-25 wushaogui

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了对流媒体传输关键指标作简单预测相关的知识，希望对你有一定的参考价值。

小书匠

本文目录：

1.数据情况
2.数据预处理
3.样本划分及标签处理
4.模型训练
5.模型评估
6.预测未来下一个６个指标

现收集有流媒体传输过程中的６个指标，这些指标分别是：

PDCCH信道CCE可用个数 AvaPdcch

PDCCH信道CCE占用个数 OccPdcch

RRC连接最大数 ConRrc

上行PRB平均利用率 UpPrb

下行PRB平均利用率 DownPrb

有效RRC连接最大数 EffConRrc

1.数据情况

每个指标的数据格式为：Data-Time-Value，本文首先对数据进行预处理，然后使用LSTM对这６个指标作简单预测。

import pandas as pd 
import numpy as np 
 
filenames=[‘AvaPdcch‘,‘OccPdcch‘,‘ConRrc‘,‘UpPrb‘,‘DownPrb‘,‘EffConRrc‘]  #属性列表 
 
#读取数据 
dataset=[] 
for filename in filenames: 
    df=pd.read_csv(filename+‘.csv‘,delimiter=‘,‘) 
    partfea=np.array(df)[:,-1] 
    dataset.append(partfea) 
 
dataset=np.array(dataset) 
dataset=dataset.T 
 
print(dataset.shape,dataset[1302]) 

输出：

(1378, 6) [nan nan 18.0 nan nan 8.0]

从这输出可以看出，数据量就是1378个，每个数据量是前文的６个指标。并且数据中包含缺失值，为了简单，这里使用均值进行填充，实际上还可以更加灵活处理缺失值，比如整行/列去掉，进行插值等。

2.数据预处理

缺失值填充

from sklearn import preprocessing 
 
impute = preprocessing.Imputer() 
dataset = impute.fit_transform(dataset) 
 
print(dataset.shape,dataset[1302]) 

输出：

(1378, 6) [ 7.31026325e+07 9.40476974e+06 1.80000000e+01 3.38872727e-02
1.92543953e-01 8.00000000e+00]

数据归一化

from sklearn.preprocessing import MinMaxScaler 
 
scaler = MinMaxScaler(feature_range=(0, 1)) 
dataset = scaler.fit_transform(dataset) 
 
print(dataset.shape,dataset[1302]) 

输出：

(1378, 6) [ 0.5072962 0.23767169 0.22222222 0.17733455 0.21859107 0.23809524]

3.样本划分及标签处理

后一个数据作为前一个数据的标签，模型最终是基于当前的数据预测下一状态数据。

train_size=int(0.8*len(dataset)) 
#训练集 
train_X=dataset[0:train_size,:] 
train_y=dataset[1:train_size+1,:] 
#验证集 
vali_X=dataset[train_size:,:] 
vali_y=dataset[train_size+1:,:] 
  
train_X=train_X.reshape(train_X.shape[0],1,train_X.shape[1]) 
vali_X=vali_X.reshape(vali_X.shape[0],1,vali_X.shape[1]) 
 
print(train_X.shape,train_y.shape,vali_X.shape,vali_y.shape) 

输出：

(1102, 1, 6) (1102, 6) (276, 1, 6) (275, 6)

4.模型训练

import keras 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.layers import LSTM 
from keras.utils import plot_model 
from IPython.display import SVG 
 
from keras.utils.vis_utils import model_to_dot 
 
#构建LSTM网络 
model=Sequential() 
model.add(LSTM(32,input_shape=(1,6))) 
model.add(Dense(6)) 
 
#编译模型 
model.compile(loss=‘mean_squared_error‘, optimizer=‘adam‘) 
 
#打印模型 
model.summary() 
 
#保存模型 
SVG(model_to_dot(model,show_shapes=True).create(prog=‘dot‘, format=‘svg‘)) 
 
#训练LSTM网络 
model.fit(train_X, train_y, epochs=10, batch_size=1, verbose=1) 

5.模型评估

#预测数据 
valipredict=model.predict(vali_X) 
print(valipredict.shape,vali_y.shape) 

#画图模型预测显示 
finalypredict=[] 
#归一化后的数据画图,有6列 
plt.subplots(2,3,figsize=(18,6))  
for ind in range(6): 
    #归一化数据转换为真实数据 
    valipredict_real=valipredict[:,ind]*(scaler.data_max_[ind]-scaler.data_min_[ind])+scaler.data_min_[ind] 
    vali_y_real=vali_y[:,ind]*(scaler.data_max_[ind]-scaler.data_min_[ind])+scaler.data_min_[ind] 
     
    #未来的6个真实值 
    finalypredict.append(valipredict_real[-1]) 
     
    plt.subplot(2, 3,ind+1) 
    plt.title(filenames[ind])  
    plt.plot(valipredict_real,color=‘red‘,label=‘valipredict‘) 
    plt.plot(vali_y_real,color=‘green‘,label=‘vali_y‘) 
 
plt.show() 

模型在验证数据上的预测效果

由图可以看出，６个指标基本的趋势被正确预测，但是某个时刻的准确度不是很高，我认为原因有几个：

数据量太少，导致模型无法学习足够的特征

特征太简单，某个指标的预测仅仅依赖于包括自身在内的历史时刻的６个值，这明显不够，可以考虑加入更多特征。比如这几个值明显对”时间“敏感，不同的时间区间内，流媒体的传输需要不同，将时间考虑进去将使得模型学习到更加丰富的特征

模型太简单，在数据量少，特征不多的情况下，我只用了一层的LSTM。

6.预测未来下一个６个指标

将数据中的最后的６个指标输入已经训练好的模型，模型输出６个值，该６个值作为模型预测到的未来下一个６个指标值。

#前文已经存储，直接输出 
print(finalypredict) 

[93690488.0, 25693568.0, 40.356155, 0.088783175, 0.64066094, 17.614025]

以上是关于对流媒体传输关键指标作简单预测的主要内容，如果未能解决你的问题，请参考以下文章

新数据显示社交媒体影响力和参与度对流媒体增长至关重要

近期对流媒体技术的思考